CN106651933A - 一种基于Radon变换的改进型纹理特征提取算法 - Google Patents
一种基于Radon变换的改进型纹理特征提取算法 Download PDFInfo
- Publication number
- CN106651933A CN106651933A CN201611226881.4A CN201611226881A CN106651933A CN 106651933 A CN106651933 A CN 106651933A CN 201611226881 A CN201611226881 A CN 201611226881A CN 106651933 A CN106651933 A CN 106651933A
- Authority
- CN
- China
- Prior art keywords
- image
- radon
- dual
- wavelet transform
- complex wavelet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Abstract
本发明公开了一种基于Radon变换的改进型纹理特征提取算法,它涉及数字图像处理技术领域。它包括Radon变换、双树复小波变换、子带系数的提取、特征值的计算、特征向量的构造、相似度的计算;Radon变换对原始图像Radon变换,通过图像Radon域系数与图像旋转角度的关系提取旋转不变量,双树复小波变换对变换过后得到的投影矩阵进行变换,子带系数的提取、特征值的计算以及特征向量的构造都在双树复小波变换基础上进行,相似度的计算是根据输入图像与图像数据库中图像纹理特征向量的欧氏距离来计算的,检索出与目标图像匹配的图像。本发明解决图像的移动或旋转对产生的小波变换系数的影响问题,便于图像检索,方便高效。
Description
技术领域
本发明涉及的是数字图像处理技术领域,具体涉及一种基于Radon变换的改进型纹理特征提取算法。
背景技术
在刑侦和交通事故调查中,图像被看作是一条重要的线索,图像检索对警方快速的在数据库中找到有用的目标图像是很重要的,尽管已设计出很多算法来提取图像的特征,但对于具有一定程度旋转的图像检索却鲜有人研究。
纹理特征是图像特征的重要特征之一,它可在时域中描述也可在频域中描述,Tamura纹理特征和灰度共生矩阵是时域中典型的纹理特征提取算法,傅里叶变换和小波变换是频域中典型的纹理特征提取算法。
小波变换是典型的图像多尺度分析方法,但是它在显示图像的方向和旋转方面却很弱,而且它还有另一个缺点就是对变化很敏感,这严重地影响了它在图像检索领域的应用。专家们提出了Dual Tree Complex Wavelet transform(DT-CWT)双数复小波,克服了小波变换的缺点,但是DT-CWT算法无法克服图像旋转所产生的影响,基于此,设计一种新型的基于Radon变换的改进型纹理特征提取算法还是很有必要的。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种基于Radon变换的改进型纹理特征提取算法,设计合理,解决了图像的移动或者旋转对产生的小波变换系数的影响问题,便于图像检索,方便高效。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种基于Radon变换的改进型纹理特征提取算法,包括Radon变换、双树复小波变换、子带系数的提取、特征值的计算、特征向量的构造、相似度的计算,对图像进行Radon变换、双树复小波变换是本算法的核心;所述Radon变换是对原始图像进行Radon变换,通过图像Radon域系数与图像旋转角度的关系来提取旋转不变量;所述双树复小波变换是对Radon变换过后得到的投影矩阵进行的变换;所述子带系数的提取、特征值的计算以及特征向量的构造都是在双树复小波变换的基础上进行的;所述相似度的计算是根据输入图像与图像数据库中,图像纹理特征向量的欧氏距离来计算的,从而检索出与目标图像匹配的图像。
作为优选,所述算法的使用方法如下:
(1)对原始图像进行Radon变换(gθi(1),gθi(2),…,gθi(N))Radon域θ角方向的投影序列,Rf则是Radon域所有角方向组成的投影矩阵。
(2)对Rf矩阵的每一列,即每个对进行3层双树复小波变换,共生成9个高频子带和1个低频子带。
(3)计算各子带的均值(M)、方差(σ)、能量(E),以上10个子带的均值、方差和能量就生成了1维的特征向量,第i层的均值、方差、能量分别是:
图像的纹理特征向量即是:f=(M1,σ1,E1,M2,σ2,E2,…,M10,σ10,E10)。
(4)用纹理特征向量进行相似度计算,根据计算所得的相似度得出检索结果。
本发明的有益效果:可以有效地克服图像旋转后在Radon域系数切片上的平移造成的小波系数的剧烈变化,既可以利用Radon系数与图像旋转的关系又可以利用双树复小波的移不变性来提取不随图像旋转的纹理特征,有效解决了由于图像旋转而影响检索结果的问题。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明的算法原理图;
图2为本发明的流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参照图1-2,本具体实施方式采用以下技术方案:一种基于Radon变换的改进型纹理特征提取算法,包括Radon变换、双树复小波变换、子带系数的提取、特征值的计算、特征向量的构造、相似度的计算,其中对图像进行Radon变换、双树复小波变换是基于Radon变换的改进型纹理特征提取算法的核心。
值得注意的是,所述Radon变换是对原始图像进行Radon变换,通过图像Radon域系数与图像旋转角度的关系来提取旋转不变量。
所述双树复小波变换是对Radon变换过后得到的投影矩阵进行的变换,
设f(x)∈R2的双树复小波变换为:
<f,ψc>=<f,ψh>+j<f,ψg>
则对Radon系数进行双树复小波变换则可以被定义为:
DTRFTf=<Rf,ψh>+j<Rf,ψg>
=∫ψc(x)Rf(θ,t)dt+j∫ψg(x)Rf(θ,t)dt
所述子带系数的R提取、特征值的计R算以及特征向量的构造都是在双树复小波变换的基础上进行的。
所述相似度的计算是根据输入图像与图像数据库中,图像纹理特征向量的欧氏距离来计算的,从而检索出与目标图像匹配的图像。
本具体实施方式的使用方法如下:
(1)对原始图像进行Radon变换(gθi(1),gθi(2),…,gθi(N))Radon域θ角方向的投影序列,Rf则是Radon域所有角方向组成的投影矩阵。
(2)对Rf矩阵的每一列,即每个对进行3层双树复小波变换,共生成9个高频子带和1个低频子带。
(3)计算各子带的均值(M)、方差(σ)、能量(E),以上10个子带的均值、方差和能量就生成了1维的特征向量,第i层的均值、方差、能量分别是:
图像的纹理特征向量即是:f=(M1,σ1,E1,M2,σ2,E2,…,M10,σ10,E10)。
(4)用纹理特征向量进行相似度计算,根据计算所得的相似度得出检索结果。
当用户利用图像的纹理特征进行图像检索时,若原始图像有一定程度的旋转,即可通过此算法来提取图像的纹理特征,这样获得的纹理特征与旋转前的图像的纹理特征相比就没有剧烈的变化。这种算法运用于图像检索系统中就会得到较好的检索结果,特别是对于轮胎图像的检索,由于现有技术对轮胎图像检索方面的研究很少,但轮胎痕迹图像对刑侦和交通事故调查有很大的作用,所以将基于Radon变换的改进型纹理特征提取算法运用于轮胎图像检索中意义重大。
本具体实施方式主要解决了图像的移动或者旋转对产生的小波变换系数的影响问题,算法以Radon变换为基础,结合双树复小波变换对图像的纹理特征进行提取,克服因图像旋转而造成的小波系数的变化从而影响所提取的图像的纹理特征以及图像相似度的对比结果,目前未见有类似技术文章或应用实例出现,是一种高效简洁的图像纹理特征提取算法,实用高效,具有广阔的市场应用前景。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种基于Radon变换的改进型纹理特征提取算法,其特征在于,包括Radon变换、双树复小波变换、子带系数的提取、特征值的计算、特征向量的构造、相似度的计算,对图像进行Radon变换、双树复小波变换是本算法的核心;所述Radon变换是对原始图像进行Radon变换,通过图像Radon域系数与图像旋转角度的关系来提取旋转不变量;所述双树复小波变换是对Radon变换过后得到的投影矩阵进行的变换;所述子带系数的提取、特征值的计算以及特征向量的构造都是在双树复小波变换的基础上进行的;所述相似度的计算是根据输入图像与图像数据库中,图像纹理特征向量的欧氏距离来计算的,从而检索出与目标图像匹配的图像。
2.基于Radon变换的改进型纹理特征提取算法,其特征在于,使用方法如下:
(1)对原始图像进行Radon变换(gθi(1),gθi(2),···,gθi(N))Radon域θ角方向的投影序列,Rf则是Radon域所有角方向组成的投影矩阵;
(2)对Rf矩阵的每一列,即每个对进行3层双树复小波变换,共生成9个高频子带和1个低频子带;
(3)计算各子带的均值(M)、方差(σ)、能量(E),以上10个子带的均值、方差和能量就生成了1维的特征向量,第i层的均值、方差、能量分别是:
图像的纹理特征向量即是:f=(M1,σ1,E1,M2,σ2,E2,…,M10,σ10,E10);
(4)用纹理特征向量进行相似度计算,根据计算所得的相似度得出检索结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611226881.4A CN106651933A (zh) | 2016-12-27 | 2016-12-27 | 一种基于Radon变换的改进型纹理特征提取算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611226881.4A CN106651933A (zh) | 2016-12-27 | 2016-12-27 | 一种基于Radon变换的改进型纹理特征提取算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651933A true CN106651933A (zh) | 2017-05-10 |
Family
ID=58832765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611226881.4A Pending CN106651933A (zh) | 2016-12-27 | 2016-12-27 | 一种基于Radon变换的改进型纹理特征提取算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276772A (zh) * | 2019-05-10 | 2019-09-24 | 深圳大学 | 一种肌肉组织中结构要素的自动定位方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080067434A (ko) * | 2007-01-16 | 2008-07-21 | 광주과학기술원 | 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치 |
KR20090037585A (ko) * | 2007-10-12 | 2009-04-16 | 광주과학기술원 | 영상 특징 추출 방법 및 장치, 이를 이용한 컨텐츠 기반의영상 검색 방법 및 장치 그리고 상기 방법들을 수행하는프로그램이 기록된 기록 매체 |
CN102298701A (zh) * | 2011-07-29 | 2011-12-28 | 王晓华 | 一种适用于协同学习分布式图像特征提取算法 |
CN103458772A (zh) * | 2011-04-07 | 2013-12-18 | 香港中文大学 | 视网膜图像分析方法和装置 |
CN104504371A (zh) * | 2014-12-15 | 2015-04-08 | 南方医科大学 | 一种手指静脉图像的线状纹理特征提取方法 |
-
2016
- 2016-12-27 CN CN201611226881.4A patent/CN106651933A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080067434A (ko) * | 2007-01-16 | 2008-07-21 | 광주과학기술원 | 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치 |
KR20090037585A (ko) * | 2007-10-12 | 2009-04-16 | 광주과학기술원 | 영상 특징 추출 방법 및 장치, 이를 이용한 컨텐츠 기반의영상 검색 방법 및 장치 그리고 상기 방법들을 수행하는프로그램이 기록된 기록 매체 |
CN103458772A (zh) * | 2011-04-07 | 2013-12-18 | 香港中文大学 | 视网膜图像分析方法和装置 |
CN102298701A (zh) * | 2011-07-29 | 2011-12-28 | 王晓华 | 一种适用于协同学习分布式图像特征提取算法 |
CN104504371A (zh) * | 2014-12-15 | 2015-04-08 | 南方医科大学 | 一种手指静脉图像的线状纹理特征提取方法 |
Non-Patent Citations (2)
Title |
---|
HAOYANG YAN ETAL.: "An Improved Texture Feature Extraction Method Based on Radon Transform", 《2014 SEVENTH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》 * |
尚燕: "纹理图像分类算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276772A (zh) * | 2019-05-10 | 2019-09-24 | 深圳大学 | 一种肌肉组织中结构要素的自动定位方法及系统 |
CN110276772B (zh) * | 2019-05-10 | 2022-10-18 | 深圳大学 | 一种肌肉组织中结构要素的自动定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Word–sentence framework for remote sensing image captioning | |
Zhang et al. | Rotation invariant curvelet features for region based image retrieval | |
Wu et al. | Curvelet feature extraction for face recognition and facial expression recognition | |
CN105447190B (zh) | 基于卷积神经网络的图片检索方法、装置和服务器 | |
CN102385578A (zh) | 图片搜索的方法和装置 | |
Krishnamoorthy et al. | Image retrieval using edge based shape similarity with multiresolution enhanced orthogonal polynomials model | |
CN109086405A (zh) | 基于显著性和卷积神经网络的遥感图像检索方法及系统 | |
CN106570183A (zh) | 一种彩色图像检索和分类方法 | |
Liu et al. | Study on rotation-invariant texture feature extraction for tire pattern retrieval | |
CN104504406A (zh) | 一种快速高效的近似重复图像匹配方法 | |
CN109255301A (zh) | 一种基于fpga的红外遥感图像舰船检测虚警剔除方法 | |
CN104484432A (zh) | 基于四元数指数矩的彩色图像检索方法 | |
Devulapalli et al. | Remote sensing image retrieval by integrating automated deep feature extraction and handcrafted features using curvelet transform | |
Zhang et al. | Texture feature extraction and description using Gabor wavelet in content-based medical image retrieval | |
Liu et al. | Improving image retrieval by integrating shape and texture features | |
Chen et al. | Contourlet-1.3 texture image retrieval system | |
CN106651933A (zh) | 一种基于Radon变换的改进型纹理特征提取算法 | |
CN105975940A (zh) | 一种基于稀疏双向二维局部判别投影的掌纹图像识别方法 | |
CN109902594A (zh) | 一种基于小波的脉冲信号去噪方法 | |
CN110674334B (zh) | 基于一致性区域深度学习特征的近重复图像检索方法 | |
CN107633268A (zh) | 一种高光谱图像组合核最小噪声分离变换特征提取方法 | |
CN104299010B (zh) | 一种基于词袋模型的图像描述方法及系统 | |
Rallabandi et al. | Rotation-invariant texture retrieval using wavelet-based hidden Markov trees | |
CN115565034A (zh) | 基于双流增强网络的红外小目标检测方法 | |
Nguyen-Duc et al. | A new descriptor for image retrieval using contourlet co-occurrence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |